Latent Semantic Indexing (LSI) - ein kurzer Überblick

ein kurzer Überblick

Business & Finance, Industries & Professions, Information Management
Cover of the book Latent Semantic Indexing (LSI) - ein kurzer Überblick by Irene Götz, GRIN Verlag
View on Amazon View on AbeBooks View on Kobo View on B.Depository View on eBay View on Walmart
Author: Irene Götz ISBN: 9783638252065
Publisher: GRIN Verlag Publication: February 7, 2004
Imprint: GRIN Verlag Language: German
Author: Irene Götz
ISBN: 9783638252065
Publisher: GRIN Verlag
Publication: February 7, 2004
Imprint: GRIN Verlag
Language: German

Studienarbeit aus dem Jahr 2001 im Fachbereich Informationswissenschaften, Informationsmanagement, Note: 2,0, Universität Hildesheim (Stiftung) (Angewandte Sprachwissenschaft), Veranstaltung: Virtuelles Hauptseminar, Sprache: Deutsch, Abstract: Bei dieser Retrieval-Methode werden in einem n -dimensionalen Raum A nfragen und Dokumente in Form von Vektoren repräsentiert, wobei jeder Suchbegriff eine Dimension darstellt. Die gefundenen Dokumente werden aufgrund ihrer Deskriptoren als Vektoren in den Raum eingeordnet, ihre Position im R aum bezeichnet ihre Relevanz. Messbar wird die Ähnlichkeit zwischen Anfrage und Dokument anhand des Cosinus- Winkels zwischen Anfrage- und Dokumentvektor: Je kleiner das Cosinus-Maß des Winkels zwischen Anfrage und Dokument, desto größer die Ähnlichkeit zwischen Dokument und Anfrage. Die Vektor-Retrieval-Methode ist weit verbreitet, hat jedoch den Nachteil, dass sie Terme als voneinander unabhängig betrachtet. Wie bei den anderen 'klassischen' Retrieval-Techniken (Boolsches Retrieval, probabilistisches Retrieval, vgl. http://www.iud.fh-darmstadt.de/iud/wwwmeth/LV/ss97/wpai/grpTexte/textgr2.htm#Heading26) werden exakte Übereinstimmungen zwischen in der Anfrage enthaltenen und in den Dokumenten verwendeten Termen, unabhängig vom Kontext, in dem sie gebraucht werden gesucht. Diese Technik ist in der Hinsicht problematisch, dass es z.B. für ein und dieselbe Sache oft verschiedene Bezeichnungen gibt, und somit relevante Dokumente oft nicht ausgegeben werden, weil im Dokument eine andere Bezeichnung als in der Anfrage verwendet wurde. Hier setzt Latent Semantic Indexing an: Dokumente werden aufgrund von Wort-Assoziationen und kontextue llen Zusammenhängen indexiert, sodass auch relevante Dokumente, die mit der Anfrage keine Wörter gemeinsam haben gefunden werden.

View on Amazon View on AbeBooks View on Kobo View on B.Depository View on eBay View on Walmart

Studienarbeit aus dem Jahr 2001 im Fachbereich Informationswissenschaften, Informationsmanagement, Note: 2,0, Universität Hildesheim (Stiftung) (Angewandte Sprachwissenschaft), Veranstaltung: Virtuelles Hauptseminar, Sprache: Deutsch, Abstract: Bei dieser Retrieval-Methode werden in einem n -dimensionalen Raum A nfragen und Dokumente in Form von Vektoren repräsentiert, wobei jeder Suchbegriff eine Dimension darstellt. Die gefundenen Dokumente werden aufgrund ihrer Deskriptoren als Vektoren in den Raum eingeordnet, ihre Position im R aum bezeichnet ihre Relevanz. Messbar wird die Ähnlichkeit zwischen Anfrage und Dokument anhand des Cosinus- Winkels zwischen Anfrage- und Dokumentvektor: Je kleiner das Cosinus-Maß des Winkels zwischen Anfrage und Dokument, desto größer die Ähnlichkeit zwischen Dokument und Anfrage. Die Vektor-Retrieval-Methode ist weit verbreitet, hat jedoch den Nachteil, dass sie Terme als voneinander unabhängig betrachtet. Wie bei den anderen 'klassischen' Retrieval-Techniken (Boolsches Retrieval, probabilistisches Retrieval, vgl. http://www.iud.fh-darmstadt.de/iud/wwwmeth/LV/ss97/wpai/grpTexte/textgr2.htm#Heading26) werden exakte Übereinstimmungen zwischen in der Anfrage enthaltenen und in den Dokumenten verwendeten Termen, unabhängig vom Kontext, in dem sie gebraucht werden gesucht. Diese Technik ist in der Hinsicht problematisch, dass es z.B. für ein und dieselbe Sache oft verschiedene Bezeichnungen gibt, und somit relevante Dokumente oft nicht ausgegeben werden, weil im Dokument eine andere Bezeichnung als in der Anfrage verwendet wurde. Hier setzt Latent Semantic Indexing an: Dokumente werden aufgrund von Wort-Assoziationen und kontextue llen Zusammenhängen indexiert, sodass auch relevante Dokumente, die mit der Anfrage keine Wörter gemeinsam haben gefunden werden.

More books from GRIN Verlag

Cover of the book Einführung eines Mindestlohnes. Eine kritische Analyse möglicher ökonomischer Auswirkungen by Irene Götz
Cover of the book Reflexion: Konstruierte Gehirne by Irene Götz
Cover of the book Inszenierungen an der Schnittstelle von medialer Kultur und Geschlecht by Irene Götz
Cover of the book Der amerikanische Neokonservatismus - eine außergewöhnliche politische Strömung nicht nur aus deutscher Sicht? by Irene Götz
Cover of the book KANBAN für C-Teile by Irene Götz
Cover of the book Die ökonomischen und touristischen Effekte eines Kulturfestivals auf die Imagebildung einer Stadt - Das Fallbeispiel Athen Festival by Irene Götz
Cover of the book Aktuelle Datengrundlage der Armutssituation in der Bundesrepublik Deutschland by Irene Götz
Cover of the book Das alte Rom - eine demokratische Republik? by Irene Götz
Cover of the book Smoke (Paul Auster und Wayne Wang 1994) - Fotografie im Film - Zufall und Zeit - ein Lob auf die Langsamkeit by Irene Götz
Cover of the book Biblisch-theologische Perspektiven einer biblischen Friedensethik by Irene Götz
Cover of the book Die gruppendynamischen Rollen innerhalb einer Gruppe by Irene Götz
Cover of the book Kurzwahldienste - Die Neuerungen im Überblick by Irene Götz
Cover of the book Traktat über die drei Betrüger: Rezension des Urwerks des Atheismus by Irene Götz
Cover of the book Neuerungen bei der Gewerbesteuer by Irene Götz
Cover of the book Von der Jugendgewalt über die Individualisierung zur Selbstbestimmung der Protestjugend by Irene Götz
We use our own "cookies" and third party cookies to improve services and to see statistical information. By using this website, you agree to our Privacy Policy